Small studies in systematic reviews: To include or not to include?
Notice bibliographique
Résumé
<ns3:p> <ns3:bold>Background:</ns3:bold> COVID-19 provided a real challenge for evidence synthesis due to the rapid growth of evidence. We aim to assess the impact of including all studies versus including larger studies only in systematic reviews when there is plethora of evidence. We use a case study of COVID-19 and chronic kidney disease (CKD). </ns3:p> <ns3:p> <ns3:bold>Methods:</ns3:bold> The review team conducted a systematic review of multiple databases. The review assessed the effect of CKD on mortality in patients with COVID-19. We performed a sensitivity analysis to assess the effect of study size on the robustness of the results based on cutoffs of 500, 1000 and 2000 patients. </ns3:p> <ns3:p> <ns3:bold>Results: </ns3:bold> We included 75 studies. Out of which there were 40 studies with a sample size of >2,000 patients, seven studies with 1,000-2,000 patients, 11 studies with 500-1,000 patients, and 17 studies with <500 patients. CKD increased the risk of mortality with a pooled hazard ratio (HR) 1.57 (95% confidence interval (CI) 1.42 - 1.73), odds ratio (OR) 1.86 (95%CI 1.64 - 2.11), and risk ratio (RR) 1.74 (95%CI 1.13 - 2.69). Across the three cutoffs, excluding the smaller studies resulted in no statistical significance difference in the results with an overlapping confidence interval. </ns3:p> <ns3:p> <ns3:bold>Conclusions:</ns3:bold> These findings suggested that, in prognosis reviews, it could be acceptable to limit meta-analyses to larger studies when there is abundance of evidence. Specific thresholds to determine which studies are considered large will depend on the context, clinical setting and number of studies and participants included in the review and meta-analysis. </ns3:p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».